‫تجزیه و تحلیل پرفورمنس و مقیاس پذیری ‪ SQL‬در‬

‫مقابل ‪NoSQL‬‬
‫مقایسه دیتابیس های ‪ MongoDB‬و ‪ Cassandra‬و ‪PostgreSQL‬‬
‫مقاله ‪ ۲۰۲۳‬ژورنال ‪IEEE‬‬

‫ســـینا قادری‬
‫‪ ۲۹‬آذر ‪ ۱۴۰۳‬ارائه کالس پایگاه داده پیشرفته‬
 ‫چکیده مـقاله‬

‫این مطالعـه بـا هـدف بررسـی روش‌هـای پیشـرفته بـرای مـدیریت پایگـاه داده مقیاس‌پـذیر و‬
‫تمرکـز بـر مقـرون بـه صـرفه بـودن انجـام شـده اسـت‪ .‬در این تحقیـق‪ ،‬دو پایگـاه داده ‪NoSQL‬‬
‫رایج ‪ MongoDB‬و ‪ Cassandra‬بـا یـک سیسـتم مـدیریت پایگـاه داده رابطه‌ای سـنتی‪،‬‬
‫یهـای عملکـردی انجـام شـده‬ ‫یشـوند‪ .‬این مقایسـه از طریـق ارزیاب ‌‬‫‪ PostgreSQL‬مقایسـه م ‌‬
‫یهـا شـامل عملیـات‬‫یگـیرد‪ .‬ارزیاب ‌‬
‫روی چنـدین کالسـتر در محیط‌هـای ابـری و محلی صـورت م ‌‬
‫پایگـاه داده‌ای همچـون ‪ INSERT‬و ‪ SELECT‬و ‪ DELETE‬اسـت‪ .‬نتـایج مطالعـه نشـان می‌دهـد‬
‫کـه هـر سیسـتم مـدیریت پایگـاه داده بـرای مـوارد اسـتفاده خاصـی بهینه‌سـازی شـده اسـت‪.‬‬
‫انتخـاب پایگـاه داده بایـد بـر اسـاس ارزیـابی جـامع چنـدین عامـل‪ ،‬نـه تنهـا مقیـاس پـذیری و‬
‫عملکـرد‪ ،‬انجـام شـود‪ .‬نـوآوری این مطالعـه در مقایسـه مقیـاس پـذیری سـه سیسـتم مـدیریت‬
‫پایگـاه داده محبـوب و تأکیـد آن بـر مقـرون بـه صـرفه بـودن هنگـام ارزیـابی عملکـرد در محیط‌هـای‬
‫مختلف است‬

‫پایگاه داده پیشرفته‬ ‫‪2‬‬

 ‫مقدمه و معرفی‬

‫پایگاه داده پیشرفته‬ ‫‪3‬‬

 ‫چرا؟‬

‫دوران مـدرن بـا وظـایفی مشـخص می‌شـود کـه نیازمنـد پـردازش داده‌هـای وسـیع و مـدیریت‬
‫سـطوح بـاالی بـار کـاری اسـت‪ .‬یـک مثـال رایج از این نـوع وظـایف‪ ،‬برنامه‌هـای وب ماننـد‬
‫لهـای خـبری و سـایر برنامه‌هـا هسـتند‪.‬‬ ‫شـبکه‌های اجتمـاعی‪ ،‬پلتفرم‌هـای تجـارت الکترونیـک‪ ،‬پورتا ‌‬
‫نهـا به‌طـور مشـترک بـه مـدیریت‬ ‫در حـالی کـه هـر برنامـه نیازهـای خـاص خـود را دارد‪ ،‬همـه آ ‌‬
‫ههـا دسترسـی پیـدا‬ ‫ههـا و تعـداد زیـادی کـاربر نیـاز دارنـد کـه می‌تواننـد بـه داد ‌‬
‫حجم وسـیعی از داد ‌‬
‫ههـا و پایگـاه کـاربران چالش‌هـایی‬ ‫کـرده‪ ،‬آن‌هـا را تغیـیر داده یـا پـردازش کننـد‪ .‬افـزایش حجم داد ‌‬
‫نهـا ایجـاد می‌کنـد‪ .‬در‬‫را در زمینـه مقیـاس پـذیری برنامه‌هـا و راه‌حل‌هـای داده‌ای زیرسـاخت آ ‌‬
‫سـه تـا چهـار سـال گذشـته‪ ،‬مـیزان اطالعـات تولیدشـده توسـط بشـر از مجمـوع تمـام سـال‌های‬
‫گذشـته پیشـی گرفتـه و همچنـان به‌طـور نمـایی در حـال رشـد اسـت‪ .‬این رونـد نیـاز بـه گسـترش‬
‫ههـا برجسـته‬ ‫ظرفیت‌هـای ذخیره‌سـازی داده‌هـا را بـرای همگـامی بـا جریـان رو بـه افـزایش داد ‌‬
‫می‌کنـد‪ .‬در حـال حاضـر‪ ،‬جریـان وسـیعی از اطالعـات هـر روز از طریـق سیسـتم‌های مختلـف‬
‫عبور کرده و تمام این اطالعات در پایگاه‌های داده جمع‌آوری می‌شود‪.‬‬

‫پایگاه داده پیشرفته‬ ‫‪4‬‬

 ‫دیتابیس های ‪NoSQL‬‬

‫یشـود‬‫ههـای داده گفتـه م ‌‬

‫نو اس کیـو ال (بـه معنـای ‪ )Not Only SQL‬بـه مجمـوعه‌ای از پایگا ‌‬
‫کـه بـرای مـدیریت و ذخیره‌سـازی داده‌هـا از مـدل‌های غـیررابطه‌ای اسـتفاده می‌کننـد‪ .‬این‬
‫ههـای بـزرگ (‪ ،)Big Data‬سـاختارهای پیچیـده‪ ،‬و نیازهـای خاصـی‬ ‫دیتـابیس هـا بـرای کـار بـا داد ‌‬
‫س پـذیری و پـردازش بالدرنـگ طـراحی شـده‌اند‪ .‬بـرخالف پایگاه‌هـای داده رابطه‌ای‬ ‫مثـل مقیـا ‌‬
‫که از جداول و روابط ثابت استفاده می‌کنند‪ NoSQL ،‬از مدل‌های متنوعی بهره می‌گیرد‬

‫مقیاس‌پذیری باال‪ :‬امکان توزیع داده‌ها در چندین سرور‬ ‫●‬

‫انعطاف‌پذیری در مدل داده‪ :‬نیازی به تعریف ساختار ثابت مانند جداول نیست‬ ‫●‬

‫عملکرد باال‪ :‬برای حجم‌های عظیم داده و نیازهای بالدرنگ بسیار مناسب است‬ ‫●‬

‫نبود استاندارد واحد‪ :‬هر سیستم ‪ NoSQL‬معماری خاص خود را دارد‬ ‫●‬

‫عدم پشتیبانی از تراکنش‌های پیچیده برخالف ‪SQL‬‬ ‫●‬

‫پایگاه داده پیشرفته‬ ‫‪5‬‬

 ‫انواع دیتابیس های ‪NoSQL‬‬

‫دیتابیس های سنـــدی‬

‫دیتـا در قـالب سـند و بـا انکـدینگ ‪ JSON‬یـا ‪ BSON‬ذخـیره‬
‫میشـود‪ MongoDB ،‬یـک دیتـابیس اوپن سـورس از نـوع‬
‫داکیومنت است‬
‫دیتابیس های کلیدمقدار‬
‫دیتـا در قـالب یـک کلیـد و مقـدار جفت آن ذخـیره می‌شـود‪،‬‬
‫‪ Redis‬یـک دیتـابیس اوپن سـورس از نـوع کلیـد مقـداری‬
‫است‬
‫دیتابیس های ستـــونی‬
‫دیتـا بـه صـورت سـتون‌های مرتبـط بـا یکـدیگر سـازماندهی‬
‫و ذخـیره می‌شـوند‪ Cassandra ،‬یـک دیتـابیس اوپن‬
‫سورس از نوع ستونی است‬
‫دیتابیس های گـــــراف‬
‫برای ذخـیره دیتـا هـایی بـا روابـط پیچیـده مناسـب اسـت‪،‬‬
‫مثًال ذخـیره نقشـه راه‌هـای یـک اسـتان‪ Neo4j ،‬یـک‬
‫دیتابیس اوپن سورس از نوع گراف است‬
‫پایگاه داده پیشرفته‬ ‫‪6‬‬
 ‫دیتابیس ‪Redis‬‬

‫پیاده‌سازی این دیتابیس بر اساس الگورتیم ‪ HashMap‬یا ‪ HashTable‬است‬ ‫●‬

‫دیتا به صورت ‪ Cache‬و روی حافظه ‪ Ram‬ذخیره می‌شوند‬ ‫●‬

‫میتوان به صورت ‪ Cache Less‬دیتا را روی ‪ Disk‬هم ذخیره کرد‬ ‫●‬

‫نوع دیتا در این دیتابیس به صورت جفت کلید و مقدار است‬ ‫●‬

‫●‬
‫‪install Redis on Linux:‬‬ ‫‪apt install redis-server‬‬
‫●‬
‫‪connect to Redis:‬‬ ‫‪redis-cli‬‬
‫●‬
‫‪set a key:‬‬ ‫>‪set <key> <value‬‬
‫●‬
‫‪delete a key:‬‬ ‫>‪del <key> <value‬‬
‫●‬
‫‪show all keys:‬‬ ‫* ‪keys‬‬

‫پایگاه داده پیشرفته‬ ‫‪7‬‬

 ‫دیتابیس ‪MongoDB‬‬

‫داده‌ها به صورت سندهایی در قالب ‪ BSON‬ذخیره می‌شوند‬ ‫●‬

‫این اسـناد می‌تواننـد شـامل سـاختارهای سلسـله‌مراتبی باشـند و هـر سـند می‌توانـد دارای‬ ‫●‬

‫فیلدهایی متفاوت باشد‬

‫ههـا بـه راحـتی فـراهم اسـت و نیـازی بـه تعریـف ‪ Schema‬ثـابت ماننـد‬
‫امکـان تغیـیر سـاختار داد ‌‬ ‫●‬

‫جداول ‪ SQL‬نیست‬
‫ههـا بین چنـدین سـرور از طریـق ‪ Sharding‬و امکـان مـدیریت حجم عظیمی‬ ‫قابلیت توزیـع داد ‌‬ ‫●‬

‫ههـا در سـرورهای متعـدد و امکـان اسـتفاده از ‪ Replica Sets‬بـرای اطمینـان از در‬ ‫از داد ‌‬
‫دسترس بودن داده‌ها و بازیابی از خرابی وجود دارد‬
‫●‬
‫‪Install on Linux: official MongoDB Documentation‬‬

‫پایگاه داده پیشرفته‬ ‫‪8‬‬

 ‫دیتابیس ‪Cassandra‬‬

‫داده‌ها به‌طور خودکار در چندین گره (‪ )Node‬در یک کالستر توزیع می‌شوند‬ ‫●‬

‫هیچ گـره‌ای نقش خاصـی نـدارد (مـدل ‪ )MasterLess‬کـه بـاعث کـاهش نقـاط ‪Single Point‬‬ ‫●‬

‫‪ Of Failure‬می‌شود‬
‫امکان اضافه یا حذف گره‌ها در کالستر بدون نیاز به توقف سیستم‬ ‫●‬

‫داده‌هـا در چنـدین گـره به‌صـورت خودکـار ‪ Replicate‬می‌شـوند‪ ،‬حـتی در صـورت خـرابی‬ ‫●‬

‫برخی گره‌ها‪ ،‬دیتا همچنان در دسترس هستند‬

‫یشـوند و بـرخالف دیتـابیس هـای ‪ Relational‬نیـازی‬
‫ههـا در قـالب جـداول سـتونی ذخـیره م ‌‬
‫داد ‌‬ ‫●‬

‫به تعریف ‪ Schema‬نیست‬

‫دارای زبانی شبیه به ‪ SQL‬برای دستکاری دیتا که ‪ CQL‬نامیده می‌شود‬ ‫●‬

‫‪ Cassandra‬روی ‪ Availability‬و ‪ Partition Tolerance‬تمرکـز دارد و ‪Eventual‬‬ ‫●‬

‫‪ Consistency‬را برای داده‌ها فراهم می‌کند‬

‫پایگاه داده پیشرفته‬ ‫‪9‬‬

 ‫دیتابیس ‪PostgreSQL‬‬

‫یک پایگـاه داده ‪ Relational‬اوپن سـورس و قدرتمنـد اسـت کـه بـه دلیـل قابلیت‌هـای پیشـرفته‬
‫و پایـداری خـود شـناخته می‌شـود‪ .‬این پایگـاه داده کـه بـه اختصـار ‪ Postgres‬نـیز نامیـده‬
‫یشـود‪ ،‬از اسـتاندارد ‪ SQL‬پـیروی کـرده و بـرای برنامه‌هـای مختلـف از سیسـتم‌های کوچـک تـا‬ ‫م ‌‬
‫برنامه‌هـای پیچیـده سـازمانی مناسـب اسـت و بـه دلیـل قـابلیت توسـعه‌پذیری توسـط‬
‫توسعه‌دهندگان و شرکت‌های بزرگ استفاده می‌شود‬
‫پسـتگرس هماننـد دیتـابیس هـای ‪ MySQL‬و ‪ MariaDB‬و ‪ MS SQL‬از دیتـابیس هـای رابطه‌ای‬
‫به شمار می‌آید‬
‫تراکنش‌ها کامًال مطابق با اصول ‪ ACID‬هستند که موجب صحت و پایداری داده‌ها می‌شود‬ ‫●‬

‫سازگاری کامل با استاندارد ‪ SQL‬و قابلیت اجرای کوئری‌های پیچیده‬ ‫●‬

‫امکـان اضـافه کـردن توابـع جدیـد‪ ،‬انـواع داده‌هـا‪ ،‬اینـدکس هـا‪ ،‬و حـتی زبان‌هـای برنامه‌نویسـی‬ ‫●‬

‫برای ذخیره روی سرور‬

‫پایگاه داده پیشرفته‬ ‫‪10‬‬

 ‫نظریه و اصل ‪CAP‬‬

‫نظریـه ‪ CAP‬کـه بـه اصـل ‪ CAP‬نـیز معـروف اسـت‪ ،‬یـک مفهـوم مهم در طـراحی سیسـتم‌های‬
‫توزیع‌شـده اسـت‪ .‬این نظریـه توسـط اریـک بروئـر (‪ )Eric Brewer‬در سـال ‪ 2000‬معـرفی و‬
‫بعـدها به‌طـور رسـمی اثبـات شـد‪ .‬نظریـه ‪ CAP‬بیـان می‌کنـد کـه یـک سیسـتم توزیع‌شـده‬
‫نمی‌تواند به‌طور هم‌زمان سه ویژگی زیر را تضمین کند‬

‫سازگاری ‪( Consistency‬منظـور از سـازگاری‪ ،‬سـازگاری قـوی یـا ‪Strong Consistency‬‬ ‫●‬

‫است)‬
‫دسترس‌پذیری (‪)Availability‬‬ ‫●‬

‫تحمل خطای پارتیشن‌بندی (‪)Partition Tolerance‬‬ ‫●‬

‫پایگاه داده پیشرفته‬ ‫‪11‬‬

 ‫نظریه و اصل ‪CAP‬‬

‫یکـــــپارچگی‬
‫تمـام گره‌هـای سیسـتم در هـر لحظـه داده‌هـای یکسـان و‬
‫به‌روزی را مشـاهده می‌کننـد و به‌عبـارت دیگـر‪ ،‬وقـتی داده‌ای‬
‫به‌روزرسانی می‌شود‪ ،‬همه گره‌ها نسخه جدید را می‌بینند‬

‫دسترس‌پذیری‬
‫هر درخواسـت از یـک گـره در سیسـتم حتمـًا بـا پاسـخ مواجـه‬
‫می‌شـود (حـتی اگـر بـرخی از گره‌هـا دچـار خـرابی باشـند) پس‬
‫سیسـتم همیشـه فعـال اسـت و درخواسـت‌ها را بـدون توقـف‬
‫پاسخ می‌دهد‬

‫تحمل پارتیشن‌‬
‫سیسـتم می‌توانـد در مواجهـه بـا پارتیشـن‌بندی شـبکه‬
‫شهـایی از سیسـتم) همچنـان‬‫(یعـنی قطـع ارتبـاط بین بخ ‌‬
‫بـه عملکـرد خـود ادامـه دهـد‪ ،‬در سیسـتم‌های واقعی‪،‬‬
‫احتمال بروز پارتیشن‌بندی شبکه غیرقابل‌اجتناب است‬

‫پایگاه داده پیشرفته‬ ‫‪12‬‬

 ‫تجزیه و تحلیل پرفورمنس‬

‫پایگاه داده پیشرفته‬ ‫‪13‬‬

 ‫ابزار تحلیل پرفورمنس دیتابیس‬

‫ابـزار ‪( YCSB‬مخفـف ‪ )Yahoo Cloud Serving Benchmark‬یـک ابـزار بنچمـارک یـا‬

‫ههـای داده اسـت‪ .‬این ابـزار توسـط شـرکت ‪ Yahoo‬بـرای ارزیـابی‬
‫ارزیـابی عملکـرد بـرای پایگا ‌‬
‫و مقایسـه عملکـرد سیسـتم‌های مـدیریت پایگـاه داده (‪ )DBMS‬و سـرویس‌های ابـری طـراحی‬
‫شـده اسـت ‪ YCSB‬به‌طـور خـاص بـرای پایگاه‌هـای داده ‪ NoSQL‬طـراحی شـده امـا از‬
‫پایگاه‌های داده ‪ SQL‬نیز پشتیبانی می‌کند‬

‫ههـای‬
‫ههـای داده ‪ NoSQL‬ماننـد ‪ Cassandra، MongoDB، HBase‬و همچـنین پایگا ‌‬ ‫از پایگا ‌‬ ‫●‬

‫داده ‪ SQL‬پشتیبانی می‌کند‬

‫پرفـورمنس پایگـاه داده را در حجم‌هـای مختلـف دیتـا و تحت بارهـای کـاری سـنگین ارزیـابی‬ ‫●‬

‫می‌کند‬
‫قابلیت اندازه‌گیری تاخیر (‪ )Latency‬و توان عملیاتی (‪ )Throughput‬را دارد‬ ‫●‬

‫پایگاه داده پیشرفته‬ ‫‪14‬‬

 ‫تحلیل پرفورمنس دیتابیس ‪ SQL‬و ‪NoSQL‬‬

‫در این مطالعـه‪ ،‬پرفـورمنس عملیـات پـایه‌ای دیتـابیس شـامل ‪ Insert‬و ‪ Delete‬و ‪Select‬‬
‫بین ‪ Cassandra‬و ‪ MongoDB‬و ‪ PostgreSQL‬مقایسـه شـد‪ .‬از ‪ PostgreSQL‬به‌عنـوان‬
‫هسـازی کلیـد مقـدار و بـا مجمـوعه‌ای‬
‫یـک پایگـاه داده رابطه‌ای اسـتفاده شـد کـه در حـالت ذخیر ‌‬
‫ثابت از فیلدها عمل می‌کرد‬

‫پایگاه داده پیشرفته‬ ‫‪15‬‬

 ‫تحلیل پرفورمنس دیتابیس ‪ SQL‬و ‪NoSQL‬‬

‫همـه دیتـابیس هـا بـر روی یـک ماشـین مجـازی بـا‬

‫سیســتم‌عامل ‪ Red Hat Linux x64‬در‬
‫سـرویس ابـری ‪ Amazon EC2‬پیاده‌سـازی‬
‫شدند‬
‫تسـت‌ها بـا اسـتفاده از یـک کالینت ‪Ubuntu‬‬
‫‪ x64‬و ‪ Python‬انجـام شـده و بـرای مقایسـه‬
‫پرفـورمنس‪ ،‬از یـک جـدول کـاربر شـامل دو‬
‫فیلد نام خانوادگی و نام استفاده شد‬
‫هبـرداری‬ ‫این مقایسـه در سـطوح مخــتلف بهر ‌‬
‫از دیتــابیس (‪ ۱,۰۰۰,۰۰۰ ،۱۰,۰۰۰ ،۰‬و‬
‫‪ ۵,۰۰۰,۰۰۰‬ردیف) انجام شد‬

‫پایگاه داده پیشرفته‬ ‫‪16‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس خالی‬

‫نتـایج ارائه‌شـده در جـدول زیـر مربـوط بـه عملیـات درج در یـک پایگـاه داده خـالی شـامل‬
‫‪ ۱,۰۰۰,۰۰۰ ،۱۰,۰۰۰‬و ‪ ۵,۰۰۰,۰۰۰‬رکـورد انـدازه‌گیری شـد کـه این انـدازه‌گیری‌ها بـر حسـب‬
‫ثانیـه و تعـداد عملیـات در هـر ثانیـه می‌باشـد‪ ،‬بـرای انجـــام این تسـت از ‪ ۱۰۰‬نخ (در پـایتون)‬
‫استــفاده شده است‬

‫پایگاه داده پیشرفته‬ ‫‪17‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس خالی‬

‫پایگاه داده پیشرفته‬ ‫‪18‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس خالی‬

‫پایگاه داده پیشرفته‬ ‫‪19‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس خالی‬

‫نتـایج نشـان می‌دهنـد کـه عملیـات ‪ INSERT‬وابسـته بـه تعـداد ردیف‌هـای نوشته‌شـده در پایگـاه‬
‫داده نیست‬
‫‪ MongoDB‬سـریع‌ترین عملکـرد را در میـان دیتـابیس هـای مـورد آزمـایش نشـان داد‪،‬‬
‫‪ Cassandra‬کمی کنـــدتر بـود و ‪ PostgreSQL‬بـا سرعـــتی تقریبـًا دو برابـر کنــدتر از این‬
‫دو پایگاه داده عمل کرد‬

‫پایگاه داده پیشرفته‬ ‫‪20‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس ُپر‬

‫عملیـات ‪ INSERT‬بـا سـطوح مختلـف ُپری پایگـاه داده بـه بررسـی تـأثیر تعـداد رکوردهـای‬
‫موجـود در پایگـاه داده بـر سـرعت درج پـرداخت‪ .‬این آزمـایش نشـان داد کـه درج داده در‬
‫ههـای موجـود در آن تحت تـأثیر قـرار‬
‫ههـای مختلـف ممکن اسـت بـا تغیـیر حجم داد ‌‬
‫پایگـاه داد ‌‬
‫گیرد‬

‫پایگاه داده پیشرفته‬ ‫‪21‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس ُپر‬

‫پایگاه داده پیشرفته‬ ‫‪22‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس ُپر‬

‫پایگاه داده پیشرفته‬ ‫‪23‬‬

 ‫عملیات ‪ INSERT‬در دیتابیس ُپر‬

‫نتـایج نشـان می‌دهنـد کـه عملیـات ‪ INSERT‬رکوردهـا بـه مـیزان ُپری پایگـاه داده وابسـته نیسـت‬
‫‪ MongoDB‬سـریع‌ترین عملکـرد را در این آزمایش‌هـا نشـان داد‪ Cassandra ،‬کمی کنـدتر‬
‫بود‪ ،‬و ‪ PostgreSQL‬با سرعتی تقریبًا دو برابر کندتر از این دو پایگاه داده عمل کرد‬

‫پایگاه داده پیشرفته‬ ‫‪24‬‬

 ‫عملیات ‪ SELECT‬روی دیتابیس (جستجو)‬

‫زمـان جسـتجوی یـک شـیء در دیتـابیس مطـابق جـدول زیـر در شـرایط مختلـف محتـوا‬
‫اندازه‌گیری شد این اندازه‌گیری‌ها بر اساس ثانیه و تعداد عملیات در هر ثانیه انجام شدند‬
‫این آزمـایش مشـخص کـرد کـه سـرعت جسـتجو ممکن اسـت بـا افـزایش حجم داده‌هـای پایگـاه‬
‫داده تغییر کند‬

‫پایگاه داده پیشرفته‬ ‫‪25‬‬

 ‫عملیات ‪ SELECT‬روی دیتابیس (جستجو)‬

‫پایگاه داده پیشرفته‬ ‫‪26‬‬

 ‫عملیات ‪ SELECT‬روی دیتابیس (جستجو)‬

‫پایگاه داده پیشرفته‬ ‫‪27‬‬

 ‫عملیات ‪ SELECT‬روی دیتابیس (جستجو)‬

‫نتـایج نشـان می‌دهنـد کـه بـا افـزایش حجم دیتـا‪ ،‬زمـان جسـتجوی یـک رکـورد در ‪MongoDB‬‬
‫به‌سـرعت افـزایش می‌یابـد در حـالی کـه ‪ Cassandra‬بهـترین عملکـرد را در این شـرایط‬
‫نشان داده و زمان جستجوی آن کمتر تحت تأثیر حجم داده قرار می‌گیرد‬

‫پایگاه داده پیشرفته‬ ‫‪28‬‬

 ‫عملیات ‪ DELETE‬از دیتابیس‬

‫زمـان حـذف یـک شـیء از پایگـاه داده‪ ،‬مطـابق جـدول زیـر بـا محتـوای مختلـف دیتـابیس‬
‫انـدازه‌گیری شـد این انـدازه‌گیری‌ها بـر حسـب ثانیـه و تعـداد عملیـات در هـر ثانیـه انجـام شـدند تـا‬
‫تأثیر حجم داده‌های موجود در دیتابیس بر سرعت عملیات حذف بررسی شود‬

‫پایگاه داده پیشرفته‬ ‫‪29‬‬

 ‫عملیات ‪ DELETE‬از دیتابیس‬

‫پایگاه داده پیشرفته‬ ‫‪30‬‬

 ‫عملیات ‪ DELETE‬از دیتابیس‬

‫پایگاه داده پیشرفته‬ ‫‪31‬‬

 ‫عملیات ‪ DELETE‬از دیتابیس‬

‫نتـایج نشـان می‌دهنـد کـه بـا افـزایش حجم دیتـا‪ ،‬عملکـرد ‪ MongoDB‬به‌طـور قـابل‌توجهی‬
‫کـاهش می‌یابـد در حـالی کـه ‪ Cassandra‬بهـترین عملکـرد را نشـان می‌دهـد و زمـان حـذف‬
‫کمتری نسبت به سایر پایگاه داده‌ها دارد‬

‫پایگاه داده پیشرفته‬ ‫‪32‬‬

 ‫درنهایت‬

‫سپـذیر ارائـه‬
‫این مقالـه پژوهشـی یـک مـرور جـامع بـر دو سیسـتم مـدیریت پایگـاه داده مقیا ‌‬
‫کـرده و عملکـرد عملیـات پایـه در هـر سیسـتم را ارزیـابی و مقایسـه کـرده اسـت‪ .‬ظهـور این‬
‫سیسـتم‌ها بـه رشـد سـریع فناوری‌هـای اینـترنت و نیـاز بـه مـدیریت حجم بـاالی داده در‬
‫یشـود‪ .‬سیسـتم‌های ‪ NoSQL‬بـر مقیـاس پـذیری‬ ‫برنامه‌هـای بـا بـار کـاری سـنگین نسـبت داده م ‌‬
‫و تحمـل خطـا تمرکـز دارنـد‪ ،‬هرچنـد اغلب بـه قیمت کـاهش سـازگاری داده و ویژگی‌هـای‬
‫تراکنشی‬
‫یشـوند‪ ،‬سـاده‌تر از مـدل‌های‬‫مدل‌های داده‌ای کـه توسـط سیسـتم‌های ‪ NoSQL‬پشـتیبانی م ‌‬
‫رابطه‌ای هسـتند و فاقـد اسـکیماهای داده سـخت‌گیرانه و محـدودیت‌های جـامعیت می‌باشـند‪،‬‬
‫که این امر می‌تواند توسعه برنامه‌ها را ساده‌تر کند‬

‫پایگاه داده پیشرفته‬ ‫‪33‬‬

 ‫سپاس از توجه شما‬

‫پایگاه داده پیشرفته‬ ‫‪34‬‬